Conjunto público de TC de tórax impulsa IA explicable en radiología diagnóstica

Los clínicos necesitan verificar los hallazgos de la IA antes de utilizarlos en los flujos de trabajo de radiología diagnóstica. Esta necesidad es especialmente importante cuando hay que revisar cientos de cortes bidimensionales para localizar una anomalía informada.

Para ayudar a abordar este desafío, los investigadores han desarrollado un conjunto de datos público que vincula las descripciones de los informes radiológicos con ubicaciones precisas en las tomografías computarizadas de tórax.

El conjunto de datos, ReXGroundingCT, fue desarrollado por un equipo internacional liderado por investigadores de informática biomédica de la Harvard Medical School. Conecta el lenguaje radiológico descriptivo, como un pequeño nódulo pulmonar en un lóbulo específico, con ubicaciones exactas en imágenes de tomografía computarizada de tórax. Los modelos de IA entrenados con el conjunto de datos podrían generar informes descriptivos mientras vinculan cada hallazgo con píxeles específicos dentro de una exploración tridimensional.

El enfoque está diseñado para apoyar el grounding, que es el proceso de conectar hallazgos en lenguaje natural con ubicaciones en la imagen. En el caso de las tomografías computarizadas, esto requiere emparejar descripciones precisas con marcadores visuales que muestren a los clínicos dónde buscar a través de muchas secciones de imagen. El trabajo se publicó en NEJM AI y aborda el desafío de hacer que los resultados de la IA en radiología sean más fáciles de confirmar.

El conjunto de datos se creó mediante la anotación manual de más de 16.000 anomalías en 3.142 exploraciones. Anotadores médicos, estudiantes de medicina y radiólogos contribuyeron al trabajo durante un año. Cada anotación vinculó el lenguaje del informe con una ubicación en una tomografía computarizada y fue revisada por duplicado por un radiólogo certificado.

Los investigadores pusieron ReXGroundingCT a disposición de la comunidad científica antes de un desafío oficial en la International Conference on Medical Image Computing and Computer Assisted Intervention, que concluyó el 27 de septiembre. El desafío atrajo a 53 equipos de 15 países. Estos equipos probaron distintos enfoques para construir modelos que puedan vincular el lenguaje natural con ubicaciones en tomografías computarizadas.

El conjunto de datos también puede apoyar la educación en radiología y las herramientas orientadas a los pacientes. Los investigadores dijeron que trabajos similares con radiografías anotadas se han utilizado para la formación en radiología. También esperan que el conjunto de datos de tomografía computarizada pueda ayudar a crear herramientas que muestren a los pacientes dónde aparecen los hallazgos en sus propias exploraciones y expliquen la terminología asociada en un lenguaje sencillo.

“Mi mayor esperanza es que esto entrene a una generación de modelos que no solo describan un hallazgo, sino que realmente muestren dónde está. Un modelo no debería limitarse a decir: "Hay un nódulo". Debería poner un marcador en el voxel exacto al que se refiere, para que cada afirmación venga acompañada de su evidencia”, dijo Pranav Rajpurkar, profesor asociado de informática biomédica en el Blavatnik Institute de la Harvard Medical School.

Enlaces relacionados
Harvard Medical School